IA appliquée
D'abord la connaissance, ensuite le modèle.
La matrice de connaissance est la carte de ce qu'une entreprise sait et de la façon dont elle s'en sert : données, détenteurs, règles, décisions. Bondconsulting Organization la construit avant de choisir un modèle d'IA, car un modèle qui ignore le métier donne des réponses plausibles et inutilisables. C'est l'étape qui mène l'IA à une application réelle.
Pourquoi un modèle seul ne suffit pas
Un modèle de langage a beaucoup lu et ne connaît pas votre entreprise. Il ignore quelles formules vous avez déjà essayées, quels fournisseurs vous avez écartés, quelles allégations votre service réglementaire ne signe pas. Il répond quand même, et la réponse sonne bien.
En entreprise, une réponse qui sonne bien ne suffit pas. Il faut une réponse que ceux qui travaillent reconnaissent comme juste, avec sa source à côté et sa limite énoncée. Elle naît de la connaissance du métier, et le modèle n'y parvient que si quelqu'un la lui présente en ordre.
Ce qu'est la matrice de connaissance
C'est la carte de ce que l'entreprise sait et de la façon dont elle s'en sert. En lignes, les domaines de connaissance : formulation, réglementaire, matières premières, preuves, littérature. En colonnes, ce que l'IA sait faire : chercher, relier, prédire, rédiger, vérifier.
Chaque croisement est une question concrète : l'IA sert-elle vraiment ici ? Avec quelles données, sous quelles règles, pour quelle décision ? Là où la réponse est oui naît une application. Là où elle est non, on économise un projet.
La matrice de connaissance passe avant le modèle.
Exemple illustratif pour une entreprise cosmétique. Les lignes sont la connaissance que l'entreprise détient déjà, les colonnes ce que l'IA sait faire. Plus le carré est grand et sombre, plus le croisement est rentable.
| Connaissance | Chercher | Relier | Prédire | Rédiger | Vérifier |
|---|---|---|---|---|---|
| Formulation | utile | beaucoup | beaucoup | peu | utile |
| Réglementaire | beaucoup | beaucoup | peu | utile | beaucoup |
| Matières premières | beaucoup | utile | utile | peu | utile |
| Allégations et preuves | utile | beaucoup | utile | beaucoup | beaucoup |
| Littérature scientifique | beaucoup | beaucoup | peu | utile | utile |
Comment on la construit, en trois étapes
Cartographier
On rassemble ce que l'entreprise sait déjà : archives, documents, procédures, et ce qui n'existe que dans la tête des personnes. On note qui détient chaque donnée et quelle décision en dépend.
Relier aux sources et aux règles
Chaque domaine est relié à ses sources : bases de données publiques, littérature, réglementation du secteur. On fixe ce qui est mesuré, ce qui est déduit et ce que l'on ignore.
Appliquer et mesurer
On choisit le croisement le plus rentable et on y construit un outil. On mesure si les personnes l'utilisent et si la décision s'améliore. Puis on passe au suivant.
Ce qui change dans les quatre secteurs
Sciences du vivant
Gènes, cibles moléculaires, affinités mesurées, littérature : les données sont immenses et dispersées. La matrice dit lesquelles comptent pour votre produit et les garde reliées, si bien qu'une question trouve sa preuve et non un résumé générique.
Recherche scientifique
Une hypothèse vaut ce que vaut l'expérience qui la met à l'épreuve. Ici l'IA classe les candidats, nomme l'étude qui trancherait et dit quand la littérature ne suffit pas. La paillasse reste le dernier juge.
Cosmétique
Un actif vit entre trois mondes : la biologie de la peau, le nom INCI et les règles de chaque marché. Le règlement (UE) n° 655/2013 exige des preuves adéquates pour chaque allégation. La matrice tient ces trois mondes ensemble avant que la formule soit écrite.
Nutraceutique
Ingrédients, dosages et mentions autorisées changent d'un marché à l'autre. La connaissance de l'entreprise sur ses fournisseurs et ses formulations est croisée avec les sources réglementaires, et chaque affirmation porte la référence qui la soutient.
Questions fréquentes
Qu'est-ce que la matrice de connaissance ?
C'est la carte de ce qu'une entreprise sait et de la façon dont elle l'utilise, croisée avec ce que l'IA sait faire : chercher, relier, prédire, rédiger, vérifier. Elle sert à trouver où l'intelligence artificielle a une application réelle plutôt qu'une démonstration.
Comment la construit-on ?
En trois étapes : cartographier la connaissance, la relier aux sources et aux règles qui la gouvernent, puis appliquer et mesurer. La dernière étape distingue un projet d'une expérience : sans mesure, personne ne sait si quelque chose s'est amélioré.
Pourquoi un modèle de langage ne suffit-il pas ?
Parce qu'il sait beaucoup du monde et rien de votre entreprise. Sans la connaissance du métier, il produit des réponses plausibles et inutilisables, et le problème reste invisible jusqu'à ce que quelqu'un essaie de décider avec elles.
Où s'arrête l'intelligence artificielle dans vos applications ?
Devant la décision. Un modèle peut lire, classer et critiquer ; il ne peut pas créer un fait, un niveau de preuve, une direction ou un nombre. Le contenu scientifique vient de bases de données publiques, de mesures publiées et de la curation faite par des personnes, et les résultats sont calculés par des règles déclarées qui répondent toujours de la même façon sur les mêmes données. L'IA générative résume ces faits et aide à les vérifier. C'est aussi l'outil avec lequel le logiciel est écrit et vérifié, ce qui est un rôle différent et reste distinct de ce que le logiciel affirme.
